Delete app.py

app.py

@@ -1,716 +0,0 @@
-import os
-import json
-import time
-import hashlib
-from datetime import datetime
-from concurrent.futures import ThreadPoolExecutor, as_completed
-
-import gradio as gr
-import google.generativeai as genai
-
-# =================================================================================
-# METADADOS DO PROJETO - HACKATHON OAB 2025
-# --------------------------------------------------------------------------------
-# Desenvolvedor: Carlos Rodrigues dos Santos
-# Contato: carlex22@gmaill.com
-# GitHub: github.com/carlex22
-# Licença: GPLv3
-# --------------------------------------------------------------------------------
-# FUNÇÃO DE ORQUESTRAÇÃO, CADEIA COGNITIVA E GOVERNANÇA (Transparência Causal)
-# --------------------------------------------------------------------------------
-# O orquestrador gerencia a 'Cadeia Cognitiva' através de 'Agentes Causais',
-# onde a saída de uma Fase (JSON de contexto) alimenta a entrada da próxima.
-# Isso garante 'Transparência' e 'Governanca' por meio da:
-#
-# 1. Pipeline Estruturada: Execução sequencial das missões definidas em
-#    'protocolo.json' (Fase 0 a 7), garantindo que cada agente cumpra um papel.
-# 2. Saída Auditorável (JSON): As fases retornam um JSON padronizado para
-#    o painel 'Auditoria', permitindo rastrear o raciocínio de cada agente.
-# 3. Ponto de Controle (STOP): A Fase 0 (e a lógica da pipeline) pode solicitar
-#    input do usuário (gatilho STOP), pausando a cadeia para validar fatos
-#    críticos ou inserir contexto faltante, garantindo governança humana
-#    em momentos de alta incerteza.
-# 4. Formato Envolvente (Fase 7): A fase final (Relatório) recebe tratamento
-#    especial para apresentar a valoração de forma dinâmica e clara, conforme
-#    o propósito de valorar a dignidade humana.
-# 5. Contexto Antecipatório: Opcionalmente inclui um passo inicial com dados
-#    de 'data.txt' para estabelecer regras e 'verdades factuais' para os agentes.
-# =================================================================================
-
-
-# Dependências para PDF
-try:
-    import PyPDF2
-    PDF_SUPPORT = True
-except ImportError:
-    PDF_SUPPORT = False
-    print("⚠️  PyPDF2 não instalado. PDFs serão lidos como texto simples.")
-
-# ==================== 1. CONFIGURAÇÃO ====================
-
-api_key = os.getenv("GOOGLE_API_KEY", "SUA_API_KEY_AQUI")
-if api_key and api_key != "SUA_API_KEY_AQUI":
-    genai.configure(api_key=api_key)
-
-# Modelos do Gemini
-model_flash = genai.GenerativeModel("gemini-flash-latest")
-model_pro = genai.GenerativeModel("gemini-pro-latest")
-
-ARQUIVO_CONFIG = "protocolo.json"
-ARQUIVO_CONTEXTO_ANTECIPATORIO = "data.txt" # Arquivo com regras/verdade factual
-ARQUIVO_DOCUMENTACAO = "help.md" # Arquivo com documentação (pode ser .txt)
-PASTA_TRANSCRICOES = "transcricoes"
-PAGES_PER_CHUNK = 10
-MAX_WORKERS = 5  # Limite de chamadas paralelas
-
-os.makedirs(PASTA_TRANSCRICOES, exist_ok=True)
-
-# ==================== 2. UTILIDADES ====================
-
-# Define as constantes de autoria
-DEVS_NAME = "Carlos Rodrigues dos Santos"
-DEVS_EMAIL = "carlex22@gmaill.com"
-LICENSE_INFO = "GPLv3"
-
-def ler_arquivo_texto(arquivo_path):
-    # Função auxiliar que lê um arquivo de texto pelo caminho
-    if not os.path.exists(arquivo_path):
-        return None
-    try:
-        with open(arquivo_path, "r", encoding="utf-8") as f:
-            conteudo = f.read()
-        return conteudo
-    except: return None
-
-def carregar_protocolo():
-    """ Carrega o protocolo. Se não existir, cria um com um esqueleto limpo. """
-    return ler_arquivo_texto(ARQUIVO_CONFIG) or json.dumps(
-        [{"fase": 0, "nome": "INICIAR_ANALISE", "modelo": "flash", "tipo_saida": "json", "missao": "Leia o input do usuário e os documentos anexados. Identifique quem é a vítima, qual foi o dano (ex: Morte, Lesão Grave) e quem é o réu. Se faltarem informações críticas para uma análise de valoração (ex: os fatos do caso), defina DUVIDA_DETECTADA como true e use TESTE_REFLEXAO para perguntar ao usuário."}], 
-        indent=2, 
-        ensure_ascii=False
-    )
-
-def carregar_documentacao():
-    """ Carrega o arquivo de documentação. """
-    return ler_arquivo_texto(ARQUIVO_DOCUMENTACAO) or "Documentação não encontrada. Crie um arquivo 'help.md' ou 'help.txt' na pasta principal para exibir aqui."
-
-
-def limpar_nome_arquivo(nome):
-    # (Implementação existente)
-    nome_base = os.path.basename(nome)
-    nome_limpo = "".join([c for c in nome_base if c.isalnum() or c in (' ', '.', '_', '-')]).strip()
-    return nome_limpo + ".json"
-
-def extrair_texto_pdf(caminho_pdf):
-    # (Implementação existente)
-    try:
-        with open(caminho_pdf, 'rb') as f:
-            reader = PyPDF2.PdfReader(f)
-            paginas = []
-            for i, page in enumerate(reader.pages):
-                texto = page.extract_text()
-                paginas.append({
-                    "numero": i + 1,
-                    "texto": texto,
-                    "metadata": str(page)[:200]
-                })
-            return paginas, None
-    except Exception as e:
-        return None, str(e)
-
-
-def fragmentar_pdf(paginas, tamanho_chunk=PAGES_PER_CHUNK):
-    # (Implementação existente)
-    chunks = []
-    for i in range(0, len(paginas), tamanho_chunk):
-        chunk = paginas[i:i + tamanho_chunk]
-        num_inicio = chunk[0]["numero"]
-        num_fim = chunk[-1]["numero"]
-        
-        texto_consolidado = "\n---QUEBRA DE PÁGINA---\n".join(
-            [f"[PÁGINA {p['numero']}]\n{p['texto']}" for p in chunk]
-        )
-        
-        chunks.append({
-            "id": f"chunk_{num_inicio}_{num_fim}",
-            "paginas": f"{num_inicio}-{num_fim}",
-            "num_paginas": len(chunk),
-            "texto": texto_consolidado,
-            "metadata": [p["metadata"] for p in chunk]
-        })
-    return chunks
-
-def processar_pdf_completo(arquivo_pdf):
-    # (Implementação existente)
-    if not PDF_SUPPORT:
-        return None, "❌ PyPDF2 não disponível"
-    
-    try:
-        paginas, erro = extrair_texto_pdf(arquivo_pdf.name if hasattr(arquivo_pdf, 'name') else arquivo_pdf)
-        if erro:
-            return None, f"❌ Erro ao ler PDF: {erro}"
-        
-        chunks = fragmentar_pdf(paginas)
-        nome_arquivo = os.path.basename(arquivo_pdf.name if hasattr(arquivo_pdf, 'name') else arquivo_pdf)
-        
-        return {
-            "arquivo": nome_arquivo,
-            "total_paginas": len(paginas),
-            "total_chunks": len(chunks),
-            "chunks": chunks,
-            "tipo": "pdf"
-        }, None
-    except Exception as e:
-        return None, f"❌ Erro no processamento: {str(e)}"
-
-# A função limpar_markdown_basico foi removida, pois reativamos o render_markdown no Chatbot.
-
-
-# ==================== 3. PIPELINE DE IA ====================
-
-def transcrever_chunk(chunk_data, config_agentes):
-    # (Implementação existente)
-    modelo = model_flash
-    try:
-        if config_agentes and isinstance(config_agentes, list):
-            if config_agentes[0].get("modelo") == "pro":
-                modelo = model_pro
-    except:
-        pass
-    
-    prompt = f"""
-ANÁLISE DE DOCUMENTO (OCR/LEITURA):
-Transcreva e estruture o conteúdo das páginas {chunk_data['paginas']}.
-Texto extraído:
-{chunk_data['texto']}
-
-Retorne JSON: {{ "transcricao": "...", "objetos": ["..."], "resumo": "..." }}
-"""
-    try:
-        for tentativa in range(3):
-            try:
-                resposta = modelo.generate_content(prompt)
-                texto_resp = resposta.text.replace("```json", "").replace("```", "")
-                return json.loads(texto_resp.strip()), None
-            except Exception as inner_e:
-                if "429" in str(inner_e):
-                    time.sleep(2 * (tentativa + 1))
-                    continue
-                raise inner_e
-    except Exception as e:
-        return None, str(e)
-
-# ==================== 4. GERENCIADOR DE ARQUIVOS ====================
-
-class GerenciadorArquivos:
-    def __init__(self):
-        self.arquivos = {} 
-
-    def adicionar(self, arquivo, arquivo_id):
-        # (Implementação existente)
-        self.arquivos[arquivo_id] = {
-            "arquivo": arquivo,
-            "nome": os.path.basename(arquivo.name),
-            "status": "adicionado",
-            "processado": None,
-            "transcricao": None
-        }
-
-    def gerar_prompt_com_transcricoes(self, texto_usuario):
-        # (Implementação existente)
-        prompt = texto_usuario + "\n\n--- CONTEXTO DOS ARQUIVOS ---\n"
-        count = 0
-        for _, item in self.arquivos.items():
-            if item["status"] == "processado" and item["transcricao"]:
-                count += 1
-                trans = item["transcricao"]
-                nome = item["nome"]
-                prompt += f"\n[ARQUIVO: {nome}]\n"
-                
-                if isinstance(trans, dict) and "chunks_processados" in trans:
-                    for chunk in trans["chunks_processados"]:
-                        if chunk.get("status") == "OK":
-                            resumo = chunk.get('resumo', '')
-                            resumo = str(resumo) if resumo else ""
-                            prompt += f"Páginas {chunk['paginas']}: {resumo}\n"
-                            
-                            texto_full = chunk.get('transcricao', '')
-                            if texto_full:
-                                texto_seguro = str(texto_full)
-                                prompt += f"Trecho: {texto_seguro[:400]}...\n"
-                            else:
-                                prompt += "Trecho: (vazio)\n"
-
-                elif isinstance(trans, dict) and "conteudo" in trans:
-                    conteudo = str(trans['conteudo'])
-                    prompt += f"Conteúdo: {conteudo[:1000]}...\n"
-        
-        if count == 0:
-            prompt += "(Nenhum arquivo processado ainda)"
-        return prompt
-
-# Instância Global
-gerenciador = GerenciadorArquivos()
-
-# ==================== 5. FUNÇÕES DE ORQUESTRAÇÃO ====================
-
-def automacao_upload_processamento(files, history, config_json):
-    # (Função de processamento de arquivos)
-    if not files:
-        return history
-
-    try:
-        config_agentes = json.loads(config_json)
-    except:
-        config_agentes = []
-
-    if history is None:
-        history = []
-
-    # CORREÇÃO: [None, mensagem] -> ["", mensagem]
-    history.append(["", f"📂 **SISTEMA:** Recebi {len(files)} arquivo(s). Verificando cache e processando..."])
-    yield history
-    
-    ids_para_processar = []
-    
-    for f in files:
-        # Usa um hash do conteúdo para ID de arquivo de texto simples para melhorar o cache
-        if f.name.lower().endswith(('.txt', '.json', '.md')):
-            with open(f.name, 'r', encoding='utf-8') as file:
-                file_hash = hashlib.sha256(file.read().encode('utf-8')).hexdigest()
-            arquivo_id = f"txt_{file_hash}"
-        else:
-            arquivo_id = f"arq_{int(time.time()*1000)}_{f.name}"
-            
-        gerenciador.adicionar(f, arquivo_id)
-        ids_para_processar.append(arquivo_id)
-    
-    for arq_id in ids_para_processar:
-        item = gerenciador.arquivos[arq_id]
-        nome = item["nome"]
-        
-        # Cria um nome de cache consistente
-        nome_cache = limpar_nome_arquivo(nome)
-        caminho_cache = os.path.join(PASTA_TRANSCRICOES, nome_cache)
-        
-        # Lógica de Cache e Reprocessamento
-        if os.path.exists(caminho_cache):
-            try:
-                with open(caminho_cache, "r", encoding="utf-8") as cache_file:
-                    dados_cache = json.load(cache_file)
-                item["transcricao"] = dados_cache
-                item["status"] = "processado"
-                if nome.lower().endswith('.pdf') and "chunks_processados" in dados_cache:
-                     item["processado"] = {"tipo": "pdf", "chunks": []}
-                # CORREÇÃO: [None, mensagem] -> ["", mensagem]
-                history.append(["", f"♻️ **Cache Encontrado:** `{nome}` já foi processado. Carregando..."])
-                yield history
-                continue
-            except Exception as e:
-                # CORREÇÃO: [None, mensagem] -> ["", mensagem]
-                history.append(["", f"⚠️ Erro cache `{nome}`: {e}. Reprocessando..."])
-
-        # CORREÇÃO: [None, mensagem] -> ["", mensagem]
-        history.append(["", f"⚙️ **Processando:** `{nome}`..."])
-        yield history
-
-        if nome.lower().endswith('.pdf'):
-            if not PDF_SUPPORT:
-                # CORREÇÃO: [None, mensagem] -> ["", mensagem]
-                history.append(["", f"❌ Erro em `{nome}`: Biblioteca PDF ausente."])
-                yield history
-                continue
-
-            pdf_proc, erro = processar_pdf_completo(item["arquivo"])
-            if erro:
-                # CORREÇÃO: [None, mensagem] -> ["", mensagem]
-                history.append(["", f"❌ Erro em `{nome}`: {erro}"])
-                yield history
-                continue
-            
-            item["processado"] = pdf_proc
-            chunks = pdf_proc["chunks"]
-            total_chunks = len(chunks)
-            
-            chunks_ordenados = [None] * total_chunks
-            
-            # CORREÇÃO: [None, mensagem] -> ["", mensagem]
-            history.append(["", f"📄 `{nome}` fragmentado em {total_chunks} partes. Iniciando IA (Paralelo: {MAX_WORKERS} threads)..."])
-            yield history
-
-            with ThreadPoolExecutor(max_workers=MAX_WORKERS) as executor:
-                futures_map = {}
-                for i, chunk in enumerate(chunks):
-                    future = executor.submit(transcrever_chunk, chunk, config_agentes)
-                    futures_map[future] = i
-                
-                concluidos = 0
-                for future in as_completed(futures_map):
-                    index_original = futures_map[future]
-                    res, err = future.result()
-                    
-                    if err:
-                        chunks_ordenados[index_original] = {"status": "ERRO", "paginas": chunks[index_original]["paginas"]}
-                    else:
-                        chunks_ordenados[index_original] = {
-                            "status": "OK",
-                            "paginas": chunks[index_original]["paginas"],
-                            "transcricao": res.get("transcricao"),
-                            "resumo": res.get("resumo")
-                        }
-                    
-                    concluidos += 1
-                    if concluidos % 2 == 0 or concluidos == total_chunks:
-                        msg_base = f"📄 `{nome}`: Processando partes... ({concluidos}/{total_chunks})"
-                        history[-1][1] = msg_base
-                        yield history
-
-            dados_finais = {
-                "arquivo": nome,
-                "data_processamento": str(datetime.now()),
-                "chunks_processados": chunks_ordenados
-            }
-            
-            item["transcricao"] = dados_finais
-            item["status"] = "processado"
-            
-            try:
-                with open(caminho_cache, "w", encoding="utf-8") as f_out:
-                    json.dump(dados_finais, f_out, indent=2, ensure_ascii=False)
-                # CORREÇÃO: [None, mensagem] -> ["", mensagem]
-                history.append(["", f"💾 `{nome}` processado e salvo no cache."])
-            except Exception as e:
-                 # CORREÇÃO: [None, mensagem] -> ["", mensagem]
-                 history.append(["", f"⚠️ Erro ao salvar cache: {e}"])
-            
-            yield history
-
-        else:
-            res_content = ler_arquivo_texto(item["arquivo"].name)
-            if res_content:
-                item["processado"] = res_content
-                dados_finais = {"conteudo": res_content, "data_processamento": str(datetime.now())}
-                item["transcricao"] = dados_finais
-                item["status"] = "processado"
-                
-                with open(caminho_cache, "w", encoding="utf-8") as f_out:
-                    json.dump(dados_finais, f_out, indent=2, ensure_ascii=False)
-                
-                # CORREÇÃO: [None, mensagem] -> ["", mensagem]
-                history.append(["", f"✅ `{nome}` (Texto) lido e salvo."])
-            else:
-                # CORREÇÃO: [None, mensagem] -> ["", mensagem]
-                history.append(["", f"❌ Falha ao ler `{nome}`."])
-            yield history
-            
-    # CORREÇÃO: [None, mensagem] -> ["", mensagem]
-    history.append(["", "🏁 **Processamento de lote finalizado.** Os arquivos estão prontos para análise."])
-    yield history
-
-
-def chat_orquestrador(message, history, config_json, pipeline_state, incluir_passo_antecipatorio):
-    if pipeline_state.get("is_paused"):
-        # (Lógica de continuação após STOP)
-        history.append([message, None])
-        
-        timeline_execucao = pipeline_state["timeline"]
-        agentes_restantes = pipeline_state["remaining_agents"]
-        
-        timeline_execucao.append({
-            "passo": len(timeline_execucao) + 1,
-            "tipo": "resposta_usuario",
-            "conteudo": message
-        })
-        
-        pipeline_state["is_paused"] = False
-        
-        yield from executar_pipeline(history, timeline_execucao, agentes_restantes, pipeline_state)
-        return
-
-    # --- LÓGICA DE INÍCIO DE UMA NOVA CONVERSA ---
-    
-    # 1. Monta o Prompt de Contexto dos Arquivos
-    try:
-        prompt_contexto = gerenciador.gerar_prompt_com_transcricoes(message)
-    except Exception as e:
-        history.append([message, f"❌ Erro ao gerar contexto: {str(e)}"])
-        yield history, [], pipeline_state
-        return
-    
-    # 2. Carrega o Protocolo
-    try:
-        protocolo = json.loads(config_json)
-    except:
-        history.append([message, "❌ Erro no JSON de Configuração do Protocolo."])
-        yield history, [], pipeline_state
-        return
-
-    # CORREÇÃO: Usar None é aceitável para a primeira parte de uma nova conversa.
-    history.append([message, None])
-    
-    # 3. Lógica do Passo Antecipatório
-    timeline_execucao = []
-    agentes_a_executar = protocolo
-    
-    if incluir_passo_antecipatorio:
-        conteudo_antecipatorio = ler_arquivo_texto(ARQUIVO_CONTEXTO_ANTECIPATORIO)
-        if conteudo_antecipatorio:
-            # Injeta o contexto na timeline como o primeiro passo
-            timeline_execucao.append({
-                "passo": 1,
-                "tipo": "passo_antecipatorio_data",
-                "agente": "GOVERNANCA_INICIAL",
-                "conteudo": f"REGRAS E VERDADE FACTUAL INICIAL (data.txt):\n{conteudo_antecipatorio}"
-            })
-            # CORREÇÃO: [None, mensagem] -> ["", mensagem]
-            history.append(["", f"ℹ️ **GOVERNANÇA INICIAL:** Contexto de `{ARQUIVO_CONTEXTO_ANTECIPATORIO}` injetado na cadeia cognitiva."])
-            history[-1][1] += f"\n\nInstrução do usuário: {message}"
-        else:
-             # Se o arquivo não existe, apenas adiciona a instrução do usuário
-             history[-1][1] = f"⚠️ Instrução do usuário: {message}"
-             history[-1][1] += f"\n\n**Aviso:** Passo Antecipatório ativado, mas arquivo `{ARQUIVO_CONTEXTO_ANTECIPATORIO}` não encontrado."
-             
-        # Ajusta o número do passo inicial na timeline
-        passo_inicial_prompt = len(timeline_execucao) + 1
-    else:
-        passo_inicial_prompt = 1
-    
-    # Adiciona a instrução do usuário (com contexto de arquivos) à trilha de auditoria
-    timeline_execucao.append({"passo": passo_inicial_prompt, "tipo": "prompt_usuario_base", "conteudo": prompt_contexto})
-    
-    yield history, timeline_execucao, pipeline_state
-    
-    # Inicia a execução dos agentes
-    yield from executar_pipeline(history, timeline_execucao, agentes_a_executar, pipeline_state)
-
-
-def executar_pipeline(history, timeline_execucao, agentes_a_executar, pipeline_state):
-    # (Implementação de execução da pipeline e simulação de digitação)
-    passo_atual = len(timeline_execucao) + 1
-    
-    for i, cfg in enumerate(agentes_a_executar):
-        nome_agente = cfg.get("nome", "Agente")
-        modelo_agente = model_pro if cfg.get("modelo") == "pro" else model_flash
-        tipo_saida = cfg.get("tipo_saida", "json")
-        
-        msg_atual = history[-1][1] or ""
-        history[-1][1] = msg_atual + f"⏳ **{nome_agente}** está analisando...\n"
-        yield history, timeline_execucao, pipeline_state
-        
-        prompt_agente = f"""
---- HISTÓRICO DA CONVERSA ATÉ AGORA ---
-{json.dumps(timeline_execucao, ensure_ascii=False, indent=2)}
------------------
-Sua Identidade: {nome_agente}
-Sua Missão Específica Agora: {cfg['missao']}
-Se o tipo de saída exigido for 'json', sua resposta DEVE ser APENAS o JSON.
-"""
-        
-        try:
-            inicio = time.time()
-            resp = modelo_agente.generate_content(prompt_agente)
-            texto_resp = resp.text
-            duracao = time.time() - inicio
-
-            # --- LÓGICA DE DETECÇÃO DE SAÍDA NÃO-JSON (STOP ou Relatório) ---
-            if tipo_saida == "json":
-                try:
-                    # Tenta interpretar a resposta como JSON
-                    texto_json_limpo = texto_resp.replace("```json", "").replace("```", "").strip()
-                    resposta_json = json.loads(texto_json_limpo)
-                    
-                    # 1. LÓGICA DE PAUSA (STOP)
-                    if resposta_json.get("PROXIMA_ACAO") == "PERGUNTAR_USUARIO" and resposta_json.get("DUVIDA_DETECTADA") == True:
-                        
-                        # VERIFICA REGRAS DE STOP - Fora de escopo?
-                        if "STOP:" in texto_resp:
-                            # Caso de STOP por fora do escopo
-                            stop_message = texto_resp.split("STOP:")[1].strip() if "STOP:" in texto_resp else "Análise interrompida por dúvida crítica ou tema fora de escopo."
-                            history[-1][1] = stop_message
-                            yield history, timeline_execucao, pipeline_state
-                            return 
-
-                        # Caso de STOP por dúvida crítica (regra do protocolo da Fase 0)
-                        perguntas = resposta_json.get("TESTE_REFLEXAO", {}).get("perguntas", [])
-                        
-                        # Formata a resposta STOP
-                        stop_response = "STOP: preciso que você esclareça até 3 pontos antes de continuar:\n\n"
-                        for idx, p in enumerate(perguntas):
-                             if idx < 3:
-                                stop_response += f"{idx + 1}) {p}\n"
-                        
-                        # Salva o estado atual da pipeline
-                        pipeline_state["is_paused"] = True
-                        pipeline_state["timeline"] = timeline_execucao
-                        pipeline_state["remaining_agents"] = agentes_a_executar[i+1:]
-                        
-                        # Adiciona o passo à auditoria e ao chat
-                        timeline_execucao.append({"passo": passo_atual, "tipo": "STOP_USUARIO_REQUERIDO", "agente": nome_agente, "detalhes": stop_response})
-                        
-                        # Prepara a mensagem para o usuário no chat
-                        msg_para_usuario = f"**{nome_agente}** precisa de mais informações. Por favor, responda aos pontos abaixo para seguirmos com a análise:\n\n"
-                        for idx, p in enumerate(perguntas):
-                            if idx < 3:
-                                msg_para_usuario += f"**{idx + 1})** {p}\n"
-                        
-                        msg_atual = history[-1][1].replace(f"⏳ **{nome_agente}** está analisando...\n", "")
-                        history[-1][1] = msg_atual + msg_para_usuario
-                        
-                        yield history, timeline_execucao, pipeline_state
-                        return # Sai da função para esperar o input do usuário
-                        
-                    # 2. Resposta JSON normal
-                    texto_para_auditoria = texto_json_limpo
-                    timeline_execucao.append({"passo": passo_atual, "tipo": "resposta_agente", "agente": nome_agente, "resposta": texto_para_auditoria})
-                    
-                    msg_atual = history[-1][1].replace(f"⏳ **{nome_agente}** está analisando...\n", "")
-                    novo_trecho = f"✅ **[{nome_agente}]** concluiu sua análise em ({duracao:.1f}s). (JSON para Auditoria)\n"
-                    history[-1][1] = msg_atual + novo_trecho
-                    yield history, timeline_execucao, pipeline_state
-                    
-                except json.JSONDecodeError:
-                    # Se deveria ser JSON e não é, trata como erro na auditoria
-                    timeline_execucao.append({"passo": passo_atual, "tipo": "erro_resposta_json", "agente": nome_agente, "resposta_raw": texto_resp, "erro": "Esperado JSON, mas recebeu texto não-JSON."})
-                    msg_atual = history[-1][1].replace(f"⏳ **{nome_agente}** está analisando...\n", "")
-                    history[-1][1] = msg_atual + f"❌ **[{nome_agente}]** falhou: Resposta não era JSON válido. ({duracao:.1f}s).\n"
-                    yield history, timeline_execucao, pipeline_state
-                
-            elif tipo_saida == "texto":
-                # Lógica para a Fase 7 (RELATORIO_VALOR_VIDA)
-                
-                # O markdown será renderizado pelo Chatbot, não precisa de limpeza manual.
-
-                # Adiciona o passo à auditoria
-                timeline_execucao.append({"passo": passo_atual, "tipo": "relatorio_final", "agente": nome_agente, "relatorio": texto_resp})
-                
-                # Simula a digitação envolvente
-                msg_final = f"**[RELATÓRIO FINAL DO {nome_agente}]**\n\n"
-                history[-1][1] = msg_final
-                yield history, timeline_execucao, pipeline_state
-                
-                # Divide o texto do relatório em blocos (parágrafos ou seções)
-                blocos = texto_resp.split('\n\n')
-                
-                for bloco in blocos:
-                    if bloco.strip():
-                        # Simula a digitação bloco por bloco
-                        msg_final += f"{bloco}\n\n"
-                        history[-1][1] = msg_final
-                        # Pequena pausa para o efeito dinâmico
-                        time.sleep(0.5) 
-                        yield history, timeline_execucao, pipeline_state
-                        
-                # Finalização da digitação no chat
-                msg_final += "\n\n--- FIM DO RELATÓRIO DE VALORAÇÃO ---"
-                history[-1][1] = msg_final
-                yield history, timeline_execucao, pipeline_state
-                
-            else:
-                # Caso de tipo_saida não definido (erro)
-                timeline_execucao.append({"passo": passo_atual, "tipo": "erro_config", "agente": nome_agente, "erro": "Tipo de saída não reconhecido ('json' ou 'texto')."})
-                msg_atual = history[-1][1].replace(f"⏳ **{nome_agente}** está analisando...\n", "")
-                history[-1][1] = msg_atual + f"\n❌ Erro de Configuração em {nome_agente}: Tipo de saída inválido. ({duracao:.1f}s).\n"
-                yield history, timeline_execucao, pipeline_state
-            
-        except Exception as e:
-            timeline_execucao.append({"passo": passo_atual, "tipo": "erro_agente", "agente": nome_agente, "erro": str(e)})
-            msg_atual = history[-1][1]
-            history[-1][1] = msg_atual.replace(f"⏳ **{nome_agente}** está analisando...\n", "") + f"\n❌ Erro em {nome_agente}: {str(e)}\n"
-            yield history, timeline_execucao, pipeline_state
-        
-        passo_atual += 1
-
-# ==================== 6. UI (Gradio) ====================
-
-def ui_v29_stop_logic():
-    css = """
-    footer {display: none !important;}
-    .contain {border: none !important;}
-    """
-    
-    config_inicial = carregar_protocolo()
-    documentacao = carregar_documentacao()
-    
-    # Define o objeto do tema
-    app_theme = gr.themes.Soft()
-
-    # CORREÇÃO: Removido 'css' e 'theme' do construtor gr.Blocks().
-    with gr.Blocks(title="AI Forensics Auto") as app: 
-        
-        # Estado da configuração dos agentes
-        state_config = gr.State(config_inicial)
-        # NOVO: Estado para controlar a pausa/continuação da pipeline
-        pipeline_state = gr.State({"is_paused": False, "timeline": [], "remaining_agents": []})
-
-        with gr.Tabs():
-            with gr.Tab("💬 Investigação"):
-                
-                chatbot = gr.Chatbot(
-                    height=400, 
-                    show_label=False, 
-                    # CORREÇÃO: show_copy_button foi removido, render_markdown reativado com o formato de dados corrigido.
-                    render_markdown=True,
-                    label="Chat de Investigação"
-                )
-                
-                with gr.Row():
-                    txt_input = gr.Textbox(
-                        scale=8, 
-                        show_label=False, 
-                        placeholder="Digite sua instrução ou responda à pergunta do agente...", 
-                        lines=1
-                    )
-                    btn_enviar = gr.Button("Enviar 📨", variant="primary", scale=1)
-                
-                # Caixa de Opções Avançadas
-                with gr.Accordion("⚙️ Opções Avançadas de Governança", open=False):
-                    chk_antecipatorio = gr.Checkbox(
-                        label=f"Incluir Contexto Antecipatório (`{ARQUIVO_CONTEXTO_ANTECIPATORIO}`) no início da análise (Recomendado).",
-                        value=True, # Ativado por padrão
-                        show_label=True
-                    )
-
-                with gr.Accordion("📂 Adicionar Arquivos para Análise", open=False):
-                    gr.Markdown("Selecione arquivos (PDF, TXT). A transcrição iniciará **automaticamente**.")
-                    file_uploader = gr.File(
-                        file_count="multiple",
-                        file_types=[".pdf", ".txt", ".json", ".md"],
-                        label="Arraste arquivos aqui ou clique para selecionar"
-                    )
-
-            with gr.Tab("🕵️ Auditoria"):
-                gr.Markdown("### Trilha de Auditoria\nExibe o histórico completo de prompts e respostas de cada agente na última execução.")
-                json_audit = gr.JSON(label="Timeline da Execução da Última Mensagem")
-
-            with gr.Tab("⚙️ Protocolo & Autoria"):
-                gr.Markdown(f"### Protocolo Causal (Diretrizes de Agentes)\nDesenvolvedor: **{DEVS_NAME}** ({DEVS_EMAIL}) | Licença: **{LICENSE_INFO}**")
-                gr.Markdown("Visualize as missões dos agentes de IA. O número de fases é totalmente configurável na estrutura JSON abaixo.")
-                code_config = gr.Code(value=config_inicial, language="json", label="protocolo.json (Visualização de Diretrizes)", interactive=False)
-            
-            with gr.Tab("📚 Documentação"):
-                gr.Markdown("### Documentação da Aplicação (help.md)")
-                gr.Markdown(documentacao)
-
-
-        # Ação de clique agora passa o novo checkbox para o orquestrador
-        btn_enviar.click(
-            chat_orquestrador,
-            inputs=[txt_input, chatbot, state_config, pipeline_state, chk_antecipatorio],
-            outputs=[chatbot, json_audit, pipeline_state]
-        ).then(
-            lambda: "", outputs=[txt_input]
-        )
-
-        file_uploader.upload(
-            automacao_upload_processamento,
-            inputs=[file_uploader, chatbot, state_config],
-            outputs=[chatbot]
-        )
-
-    # CORREÇÃO: Retorna o app, o css e o tema para serem passados para launch()
-    return app, css, app_theme
-
-if __name__ == "__main__":
-    # CORREÇÃO: Recebe o app, o css e o tema e os passa para app.launch()
-    app, css_styles, app_theme = ui_v29_stop_logic()
-    app.launch(css=css_styles, theme=app_theme)